commit to user 33
maksimum sebesar 12,75, nilai rata-rata sebesar 9,2223, dan standar deviasi dengan nilai sebesar 1,91299.
C. UJI ASUMSI KLASIK
a. Uji Normalitas
Normalitas data merupakan suatu asumsi terpenting dalam statistika parametric, sehingga pengujian terhadap normalitas data harus
dialkukan agar asumsi dalam statistika parametric dapat terpenuhi. Pengujian normalitas data dapat dilakukan dengan melihat output
chart yang dihasilkan yaitu berupa Normal P-P Plot of Regression Standardized Residual. Persyaratn normalitas bias dipenuhi jika nilai-nilai
sebaran data terletak di sekitar garis diagonal tidak terpencar jauh dari garis diagonal.
Cara lain yang digunakan adalah Kolmogrof-Smirnov Sujianto, 2007. Dari table One-Sample Kolmogrof-Smirnov Test diperoleh angka
probabilitas atau Asymp. Sig. 2-tailed. Nilai ini dibandingkan dengan 0,05
untuk pengambilan nkeputusan dengan pedoman : 1. Nilai Sig. atau signifikansi atau nilai probabilitas 0,05,
distribusi data adalah tidak normal 2. Nilai Sig. Atau signifikansi atau nilai probabilitas 0,05,
distribusi data adalah normal.
commit to user 34
Tabel IV.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 60
Normal Parametersa,b Mean
,0000000 Std. Deviation
431,80303613 Most Extreme
Differences Absolute
,142 Positive
,068 Negative
-,142 Kolmogorov-Smirnov Z
1,097 Asymp. Sig. 2-tailed
,180 a Test distribution is Normal.
b Calculated from data.
Sumber: Output SPSS 11.5 Tabel IV.2 di atas menunjukkan bahwa proksi
Unstandardized Residual
berdistribusi normal, karena memiliki tingkat signifikansi lebih dari 0,05 yakni sebesar 0,180.
b. Uji Autokorelasi
Autokorelasi pada model regresi artinya ada korelasi antar anggota sampel yang diurutkan berdasarkan waktu saling berkorelasi.
Untuk mengetahui adanya autokorelasi dalam suatu model regresi dilakukan melalui pengujian terhadap nilai uji Durbin Watson Uji DW.
Uji ini dilakukan untuk mengetahui indikasi adanya korelasi antar anggota-anggota serangkaian observasi yang diurutkan menurut
waktu dan ruang .
Durbin-Watson test
digunakan untuk mendeteksi ada atau tidaknya autokorelasi. Jika nilai uji statistik
Durbin-Watson
lebih
commit to user 35
kecil dari satu atau lebih besar dari tiga, maka residual dari model regresi berganda tidak bersifat independen atau terjadi autokorelasi.
Tabel IV.3 Hasil Uji Autokorelasi
Variabel Dependen
Nilai Durbin-Watson Keterangan
IHSG 1,888
Tidak terjadi autokorelasi
Sumber: Data sekunder diolah, 2011 lampiran
Dari tabel di atas bisa disimpulkan bahwa data tidak mengalami gejala autokorelasi dengan nilai uji
Durbin-Watson
sebesar 1,888.
c. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah di dalam model regresi ditemukan adanya korelasi antar variabel bebas.
Multikolinearitas adalah situasi di mana terdapat korelasi antar variabel independen satu dengan lainnya dalam suatu model regresi. Model
regresi sebaiknya tidak terdapat korelasi antar variabel independennya. Jika antar variabel independen terjadi korelasi, maka variabel-variabel ini
tidak orthogonal. Variabel orthogonal adalah variabel independen yang nilai korelasi antar sesama variabel independen sama dengan nol
Ghozali, 2005. Multikolinearitas dapat diukur dengan menggunakan
Variance Inflation Factor
VIF dan nilai
tolerance
. Jika nilai VIF 10 dan nilai
tolerance
lebih dari 0,1 maka dapat dikatakan bahwa variabel yang digunakan dalam model terbebas dari multikolinearitas. Menurut Gujarati
commit to user 36
1999, multikolinearitas terjadi ketika VIF 10. Akibat dari multikolinearitas adalah koefisien-koefisien regresi menjadi tak
terhingga. Jika
terjadi multikolinearitas,
maka variabel
yang menyebabkan terjadinya multikolinearitas harus dikeluarkan dari model.
Tabel IV.4 Hasil Uji Multikolinearitas
Variabel
Tolerance
VIF Keterangan
INFLASI 0,812
1,232 Terbebas dari multikolinearitas
KURS 0,909
1,100 Terbebas dari multikolinearitas
SBI 0,747
1,338 Terbebas dari multikolinearitas
Sumber: Data sekunder diolah, 2011 lampiran
d. Uji Heteroskedastisitas
Uji heteroskedastisitas dimaksudkan untuk mengetahui dalam model regresi terjadi ketidaksamaan varians dari residual satu
pengamatan ke pengamatan yang lain Ghozali, 2005: 105. Hasil uji heteroskedastisitas ditunjukkan pada Gambar IV.1.
Dari grafik
scatterplots
terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada
sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi
heteroskedastisitas
pada model regresi.
commit to user 37
Scatterplot Dependent Variable: IHSG
Regression Standardized Predicted Value
2 1
-1 -2
-3
R e
g re
s s
io n
S tu
d e
n ti
z e
d R
e s
id u
a l
2 1
-1 -2
-3
Gambar IV.1 Hasil Uji Heteroskedastisitas
Sumber: Output SPSS 11.5
D. PENGUJIAN HIPOTESIS
Kategori